nieuws

Vijf miljoen voor predictive maintenance

Maintenance

Wetenschapsfinancierder NWO heeft vijf miljoen euro toegekend aan het project Predictive maintenance for Very effective asset management (PrimaVera). Binnen het project, onder leiding van UT-hoogleraar Marielle Stoelinga worden big data algoritmen ingezet om storingen aan infrastructuur en productiemiddelen beter te voorspellen en zo onderhoud beter te plannen.

Vijf miljoen voor predictive maintenance

Nooit meer treinvertragingen, stroomstoringen, of uitval van productiemachines? Het PrimaVera-project heeft onder meer als doel het voorkomen van treinvertragingen, stroomstoringen of uitval van productiemachines dankzij predictive maintenance of voorspelbaar onderhoud. Door op het juiste moment onderhoud in te plannen neemt de betrouwbaarheid van assets of infrastructuur toe, is er een hogere uptime en dalen de kosten voor onderhoud.
UT-hoogleraar Marielle Stoelinga (hoogleraar binnen de vakgroep Formal Methods and Tools van de faculteit Electrical Enginering, Mathematics & Computer Science) is samen met prof. Tiedo Tinga (professor in Dynamics based Maintenance) één van de trekkers van het PrimaVera-project. “Predictive maintenance is een veelbelovende technologie”, zegt Stoelinga. “Beter onderhoud en minder storingen tegen lagere kosten, dat wil iedereen. Echter, om predictive maintenance te realiseren zijn er heel wat harde noten te kraken, en die willen we binnen PrimaVera oplossen.”

Lees ook: In zeven stappen naar predictive maintenance

Bestaande predictive maintenance -technieken zijn ontwikkeld voor kleinschalige systemen en daardoor moeilijk op te schalen. Keuzes die op één plek in de keten worden gemaakt , hebben een belangrijke invloed op andere processen in de keten. De keuze voor een bepaald type sensoren en metingen heeft bijvoorbeeld invloed op het soort van voorspellingen dat men kan doen, en daarmee ook de kwaliteit van de voorspellingen. Daarom worden binnen PrimaVera cross-level optimalisatiemethoden ontwikkeld.

Hele onderhoudsketen wordt behandeld

Volgens Stoelinga is het uniek dat binnen dit project de hele onderhoudsketen wordt behandeld en dat er een multidisciplinair team aan werkt. “We beginnen met betere sensoren om zo betere metingen te doen. Vervolgens verwerken we die ruwe data tot zinvolle informatie, waaruit we vervolgens voorspellingen doen over de conditie en het storingsgedrag van een systeem. Op basis van die conditie bepalen we dan wanneer er onderhoud nodig is. De complexiteit zit hem vooral in het feit dat je onderhoudsacties ook zo veel mogelijk wil clusteren, zodat je niet twee keer achter elkaar een machine of spoorwegvak hoeft stil te leggen voor onderhoud.”

Betere en schaalbare prognose-methoden

Stoelinga en haar collega-onderzoekers willen daarnaast betere en schaalbare prognose-methoden voor storingen opstellen. De kwaliteit van prognosemethoden is erg belangrijk om goed te kunnen voorspellen. Onjuiste voorspellingen kunnen immers leiden tot meer in plaats van minder fouten. Data science – het werken met algoritmes en artificiële intelligentie – is daarom een belangrijk onderdeel van het project.

Lees ook: Artificial Intelligence in de maakindustrie: Hype of meerwaarde?

Het PrimaVera-project wordt uitgevoerd door een divers consortium bestaande uit een multidisciplinair team van wetenschappers en bedrijven. Deelnemers aan het consortium: UTwente, TU Eindhoven (Human Performance Management, Operations Planning Accounting & Control, Stochastics), Radboud Universiteit (Data Science, Software Science), Saxion, Haagse Hogeschool. Bedrijven: Rijkswaterstaat, Damen Naval, Technobis, Marine, NS, ASML, Royal IHC, Rolsch Asset management, Waterschap De Dommel, ORTEC Consulting Group, Alfa Laval.

Bron: UTwente

Reageer op dit artikel